[发明专利]一种海冰图像分类方法、系统、介质、设备及处理终端

说明书

本发明属于海冰检测技术领域，公开了一种海冰图像分类方法、系统、介质、设备及处理终端，所述海冰图像分类方法包括：对原始图像进行预处理以去除原始图像中的冗余信息和噪声；根据加拿大冰况图在处理过后的图像中提取标签样本；利用卷积神经网络分别提取多源图像的特征信息；将提取到的特征信息进行拼接融合；将融合特征输入SE模块中进行特征级的权重标定；将融合特征输入全连接层进行深度融合并得到分类结果；通过总体分类精度和Kappa系数评估分类结果。本发明通过特征融合实现SAR数据和MSI数据特性的互补，充分挖掘和深度融合异源数据的多层次特征，通过引入SE模块增强模型对特征的识别能力，有效提高模型的特征表达能力。

技术领域

本发明属于海冰检测技术领域，尤其涉及一种海冰图像分类方法、系统、介质、设备及处理终端。

背景技术

目前，世界上大约有5％～8％的海洋面积被海冰所覆盖，海冰是高纬度地区突出的海洋灾害。一方面海冰会对全球气候、热量平衡和水量平衡产生重要影响，另一方面海冰会对船舶航行、海底采矿以及极地海洋考察等形成重要障碍。因此，海冰检测具有重要研究意义。海冰图像分类作为海冰检测的重要组成部分，准确高效地提取海冰的类型，对评估海冰状况以及预报海冰灾害等都具有重要意义。

随着遥感技术的发展，可用于海冰分类任务的遥感数据也逐渐变得多元化。目前广泛用于海冰分类的遥感数据包括合成孔径雷达(Synthetic Aperture Radar，SAR)图像，具有高空间分辨率和高光谱分辨率的光学遥感图像等。SAR是一种主动式的对地观测系统，可以实现全天时的对地观测，且SAR在工作过程中不受天气和云雾的影响。利用SAR图像中丰富的纹理信息进行海冰分类已在许多研究中取得较好的效果，但是SAR图像通常只包含单个波段，仅根据SAR数据很难区分出详细的海冰类型。光学图像通常包含几十到上百个同一场景的光谱数据通道，即在光学图像中不仅包含地物的空间信息还包含了丰富的光谱信息，实现了空间-光谱特征的有机融合。因此利用光学数据进行海冰分类可以获得较高的分类精度。但是使用光学数据进行海冰分类时很难分辨出具有相似光谱特征的不同海冰类型，且光学遥感数据极易受到恶劣天气和云雾遮挡的影响。综合上述分析，目前海冰分类研究大多基于单源遥感数据，而单一的遥感数据很难提供全面的、准确的海冰特征，从而很难提高海冰的分类精度。因此，充分融合SAR数据的纹理特征和光学数据的空间-光谱特征，能进一步提高解译精度和可信度，改善分类效果，弥补单源数据的局限性。

数据融合根据不同层次可以分为像素级融合、特征级融合和决策级融合。SAR影像和光学影像为异构数据，且都包含丰富的特征信息，因此更适合进行特征级融合。基于特征级的遥感数据融合分类任务一般可以分为特征提取、特征融合和分类三个关键步骤，而特征提取是整个任务中至关重要的环节，提取到的特征信息是否充分、准确直接关系到最终分类的准确性。一些基于传统特征提取方法的遥感数据融合分类方法已在相关文献中进行研究，且取得了不错的效果，但传统特征提取方法普遍存在一些问题，如传统的特征提取方法大多基于手工特征，高度依赖于先验知识，且大多数传统方法为浅层学习模型，难以充分利用到原始图像的特征表示。近年来，深度学习得到迅猛发展，因其强大的特征表示功能被广泛应用于计算机视觉，自然语言处理等领域。卷积神经网络(CNN)是深度学习的代表算法之一，具有出色的图像处理能力，已被广泛应用于遥感图像融合的特征提取任务当中。

通过上述分析，现有技术存在的问题及缺陷为：

(1)目前海冰分类研究大多基于单源遥感数据，而单一的遥感数据很难提供全面的、准确的海冰特征，从而很难提高海冰的分类精度。

(2)传统特征提取方法大多基于手工特征，高度依赖于先验知识，且大多数传统方法为浅层学习模型，难以充分利用到原始图像的特征表示。